Spring AI 1.0.0-M7 版本中模型启动器命名变更解析
2025-06-11 07:10:39作者:卓艾滢Kingsley
在Spring AI项目升级到1.0.0-M7版本后,开发者可能会遇到模型启动器依赖不可用的问题。本文将详细解析这一变更背后的技术原因,并指导开发者如何正确使用新版本的依赖配置。
命名规范变更背景
Spring AI团队在1.0.0-M7版本中对项目结构进行了优化调整,其中最重要的变化之一就是统一了模型启动器的命名规范。这一变更旨在使项目结构更加清晰,便于开发者理解和使用。
新旧命名对比
在早期版本中,模型启动器的命名模式为:
spring-ai-{model}-spring-boot-starter
而在1.0.0-M7及后续版本中,新的命名模式调整为:
spring-ai-starter-model-{model}
以Mistral AI为例:
- 旧版本:spring-ai-mistral-ai-spring-boot-starter
- 新版本:spring-ai-starter-model-mistral-ai
变更带来的优势
- 命名一致性:新的命名模式更加统一,便于记忆和使用
- 结构清晰:通过"starter-model"的命名方式,明确表示了这是一个模型相关的启动器
- 扩展性强:为未来可能添加的其他类型启动器预留了命名空间
升级建议
对于正在升级项目的开发者,建议采取以下步骤:
- 检查项目中所有Spring AI相关的依赖
- 将所有模型启动器的依赖按照新规范进行更新
- 确保版本号统一为1.0.0-M7
- 重新构建项目并测试功能
常见模型启动器示例
以下是几个常见模型在新旧版本中的依赖配置对比:
Mistral AI
<!-- 旧版本 -->
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mistral-ai-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>
<!-- 新版本 -->
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-mistral-ai</artifactId>
<version>1.0.0-M7</version>
</dependency>
Ollama
<!-- 旧版本 -->
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>
<!-- 新版本 -->
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-ollama</artifactId>
<version>1.0.0-M7</version>
</dependency>
总结
Spring AI 1.0.0-M7版本的命名规范变更是项目成熟过程中的重要一步,虽然短期内可能会给升级带来一些困扰,但从长远来看,这种更规范的命名方式将提高项目的可维护性和易用性。开发者应及时更新项目依赖,以适应这一变化。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
热门内容推荐
项目优选
收起
暂无描述
Dockerfile
765
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
680
1.33 K
Ascend Extension for PyTorch
Python
719
879
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
456
438
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
303
118
昇腾LLM分布式训练框架
Python
178
220